- ICH GCP
- Registro degli studi clinici negli Stati Uniti
- Sperimentazione clinica NCT04952675
Valutazione dei modelli di allerta precoce ad alto rischio di pneumoconiosi
2 luglio 2021 aggiornato da: Peking University Third Hospital
Lo sviluppo e l'applicazione clinica dei modelli di allerta precoce ad alto rischio di pneumoconiosi basati sulla rete neurale convoluzionale nella radiografia del torace
La prevenzione della pneumoconiosi è più importante del trattamento.
Tuttavia, l'attuale processo non può avvertire tempestivamente i lavoratori esposti alla polvere ad alto rischio fino a quando non viene diagnosticata la pneumoconiosi.
Con la caratteristica di efficienza, impersonalità e quantificazione, l'intelligenza artificiale è proprio appropriata per risolvere questi problemi.
Pertanto, miriamo ad adattare il deep learning per sviluppare modelli di rilevamento intelligente della pneumoconiosi, diagnosi di grado e allerta precoce ad alto rischio.
Le immagini annotate saranno utilizzate per l'addestramento dell'algoritmo delle reti neurali convoluzionali (CNN), con l'obiettivo di screening della pneumoconiosi e diagnosi di grado.
Inoltre, il punteggio di rischio calcolato dalla mappa del calore di densità sarà utilizzato per l'allarme tempestivo dei lavoratori esposti alla polvere.
Quindi sarà implicito il follow-up della coorte per verificare la validità del punteggio di rischio.
In questo modo, i lavoratori esposti alla polvere ad alto rischio otterranno un intervento precoce e una prognosi migliore, che possono ovviamente ridurre l'onere medico.
Panoramica dello studio
Stato
Reclutamento
Condizioni
Descrizione dettagliata
Pneumoconiosi, la malattia professionale predominante in Cina e in tutto il mondo.
La radiografia del torace è il test radiologico più accessibile e conveniente disponibile per l'esame fisico dei lavoratori esposti alla polvere e lo screening di massa per la pneumoconiosi.
Ma il processo di diagnosi presenta alcuni svantaggi, come una forte soggettività, inefficienza e disabilità di giudizio sulla lesione borderline, ecc. Inoltre, la precauzione della pneumoconiosi è più importante del trattamento.
Tuttavia, l'attuale processo non può avvertire tempestivamente i lavoratori esposti alla polvere ad alto rischio fino a quando non viene diagnosticata la pneumoconiosi.
Con la caratteristica di efficienza, impersonalità e quantificazione, l'intelligenza artificiale è proprio appropriata per risolvere i suddetti problemi.
Fino ad ora, sono state condotte rare ricerche sull'adattamento del deep learning per la diagnosi di grado di pneumoconiosi e l'allarme precoce ad alto rischio.
Nei nostri studi precedenti, abbiamo creato un database radiografico del torace, che contiene più di 100.000 immagini radiografiche digitali di pneumoconiosi.
Il risultato della valutazione del sistema di rilevamento ha dimostrato che l'accuratezza nell'identificazione della pneumoconiosi potrebbe raggiungere il 90%, con un'AUC (Area Under The Curve) di 0,965 e una sensibilità del 99%.
Altri lavori devono essere continuati.
Pertanto, miriamo ad adattare il deep learning per sviluppare modelli di rilevamento intelligente della pneumoconiosi, diagnosi di grado e allerta precoce ad alto rischio.
Le immagini annotate saranno utilizzate per l'addestramento dell'algoritmo delle reti neurali convoluzionali (CNN), con l'obiettivo di screening della pneumoconiosi e diagnosi di grado.
Inoltre, il punteggio di rischio calcolato dalla mappa del calore di densità sarà utilizzato per l'allarme tempestivo dei lavoratori esposti alla polvere.
Quindi sarà implicito il follow-up della coorte per verificare la validità del punteggio di rischio.
In questo modo, i lavoratori esposti alla polvere ad alto rischio otterranno un intervento precoce e una prognosi migliore, che possono ovviamente ridurre l'onere medico.
Tipo di studio
Osservativo
Iscrizione (Anticipato)
200
Contatti e Sedi
Questa sezione fornisce i recapiti di coloro che conducono lo studio e informazioni su dove viene condotto lo studio.
Contatto studio
- Nome: Xiao Li, M.D.
- Numero di telefono: +8613051709411
- Email: lixiao.sy@bjmu.edu.cn
Luoghi di studio
-
-
Beijing
-
Beijing, Beijing, Cina, 100191
- Reclutamento
- Peking University Third Hospital
-
Contatto:
- Xiao Li, M.D.
- Numero di telefono: +8613051709411
- Email: lixiao.sy@bjmu.edu.cn
-
-
Criteri di partecipazione
I ricercatori cercano persone che corrispondano a una certa descrizione, chiamata criteri di ammissibilità. Alcuni esempi di questi criteri sono le condizioni generali di salute di una persona o trattamenti precedenti.
Criteri di ammissibilità
Età idonea allo studio
Da 18 anni a 60 anni (ADULTO)
Accetta volontari sani
No
Sessi ammissibili allo studio
Tutto
Metodo di campionamento
Campione di probabilità
Popolazione di studio
lavoratori esposti alla polvere di 16 province della Cina
Descrizione
Criterio di inclusione:
- lavoratori esposti alla polvere;
- avere una radiografia digitale del torace
Criteri di esclusione:
- malattia polmonare basale;
- dimissione dal lavoro esposto alla polvere
Piano di studio
Questa sezione fornisce i dettagli del piano di studio, compreso il modo in cui lo studio è progettato e ciò che lo studio sta misurando.
Come è strutturato lo studio?
Dettagli di progettazione
Coorti e interventi
Gruppo / Coorte |
---|
gruppo a basso rischio
Indice di rischio∈[0,0.5)
|
gruppo ad alto rischio
Indice di rischio∈[0.5,1)
|
Cosa sta misurando lo studio?
Misure di risultato primarie
Misura del risultato |
Misura Descrizione |
Lasso di tempo |
---|---|---|
partecipanti diagnosticati come "pneumoconiosi"
Lasso di tempo: entro il 31 dicembre 2022
|
Numero di partecipanti diagnosticati come "pneumoconiosi"
|
entro il 31 dicembre 2022
|
morte
Lasso di tempo: entro il 31 dicembre 2022
|
Numero di partecipanti che muoiono
|
entro il 31 dicembre 2022
|
Misure di risultato secondarie
Misura del risultato |
Misura Descrizione |
Lasso di tempo |
---|---|---|
Volume espiratorio forzato in 1s (FEV1) in %
Lasso di tempo: entro il 31 dicembre 2022
|
Volume espiratorio forzato in 1s
|
entro il 31 dicembre 2022
|
pressione arteriosa parziale dell'ossigeno, PaO2
Lasso di tempo: entro il 31 dicembre 2022
|
pressione parziale arteriosa dell'ossigeno
|
entro il 31 dicembre 2022
|
Consiglio di ricerca medica modificato, mMRC
Lasso di tempo: entro il 31 dicembre 2022
|
un questionario utilizzato per valutare il sintomo
|
entro il 31 dicembre 2022
|
Collaboratori e investigatori
Qui è dove troverai le persone e le organizzazioni coinvolte in questo studio.
Sponsor
Investigatori
- Investigatore principale: Xiao Li, M.D., Peking University Third Hospital
Studiare le date dei record
Queste date tengono traccia dell'avanzamento della registrazione dello studio e dell'invio dei risultati di sintesi a ClinicalTrials.gov. I record degli studi e i risultati riportati vengono esaminati dalla National Library of Medicine (NLM) per assicurarsi che soddisfino specifici standard di controllo della qualità prima di essere pubblicati sul sito Web pubblico.
Studia le date principali
Inizio studio (EFFETTIVO)
1 agosto 2018
Completamento primario (ANTICIPATO)
1 dicembre 2021
Completamento dello studio (ANTICIPATO)
1 dicembre 2025
Date di iscrizione allo studio
Primo inviato
23 giugno 2021
Primo inviato che soddisfa i criteri di controllo qualità
2 luglio 2021
Primo Inserito (EFFETTIVO)
7 luglio 2021
Aggiornamenti dei record di studio
Ultimo aggiornamento pubblicato (EFFETTIVO)
7 luglio 2021
Ultimo aggiornamento inviato che soddisfa i criteri QC
2 luglio 2021
Ultimo verificato
1 giugno 2021
Maggiori informazioni
Termini relativi a questo studio
Parole chiave
Termini MeSH pertinenti aggiuntivi
Altri numeri di identificazione dello studio
- PekingUTH-002
Piano per i dati dei singoli partecipanti (IPD)
Hai intenzione di condividere i dati dei singoli partecipanti (IPD)?
INDECISO
Informazioni su farmaci e dispositivi, documenti di studio
Studia un prodotto farmaceutico regolamentato dalla FDA degli Stati Uniti
No
Studia un dispositivo regolamentato dalla FDA degli Stati Uniti
No
Queste informazioni sono state recuperate direttamente dal sito web clinicaltrials.gov senza alcuna modifica. In caso di richieste di modifica, rimozione o aggiornamento dei dettagli dello studio, contattare register@clinicaltrials.gov. Non appena verrà implementata una modifica su clinicaltrials.gov, questa verrà aggiornata automaticamente anche sul nostro sito web .